基于窗口的网络流量组合预测模型研究

在通信网络技术发展的过程中,针对网络流量进行建模和预测的研究一直备受人们关注.为了更好地对网络流量进行建模和预测,有效提高网络的运行速度和利用率,加强网络管理建设,文中提出了网络流量组合预测模型,该模型由三次指数平滑模型和基于 BP 神经网络模型两个子模型组合而成.首先介绍了组合预测模型的预测机理,然后对三次指数平滑模型和基于 BP 神经网络模型两种子模型进行了详细介绍,最后运用实例进行了仿真实验.实验结果表明组合预测模型预测误差稳定在2%以内,取得了比较好的预测效果     

油田产量多变量预测模型的优化

油田开发是一个复杂的多变量非线性动力学系统，为有效地预测油田产量，确保油田生产过程高产稳产，该文提出采用多元线性回归与神经网络相结合的方法对油田产量多变量预测模型进行优化。首先基于回归分析的“后退法”对影响产量的变量进行优选，然后通过神经网络对优选后的变量进行训练得到最终的预测模型，从而实现神经网络与多元线性回归相结合建立多变量预测模型。实际应用结果表明，优化后的模型简洁实用，可以在一定程度上提高模型的预测精度，并减少建模预测所需数据量。     

基于区间T-S 模糊模型的运动模式预测

针对一类复杂的生产过程,提出一种基于运动模式的预测模型.针对该方法中模式类别变量的度量问题,提出采用区间数对定义在模式运动"空间"上的模式类别变量进行度量.为了描述模式在模式运动"空间"的运动,对作者先前提出的区间T-S模糊模型进行了改进,并采用改进后的区间T-S模糊模型建立基于模式类别变量的预测模型.最后,以烧结生产过程实际运行数据为例验证了所提出建模方法的有效性.     

和与积数迷的符号化模型检测

和与积是一个著名的数迷问题.采用公告逻辑对该问题进行建模,将其Kripke模型符号化表示为多智能体有限状态程序,并在其上采用一种基于局部命题解释系统语义的知识逻辑符号化模型检测算法计算该问题的所有解.在时态逻辑模型检测器NuSMV基础上扩展实现了本文算法,然后在相同实验平台上用动态认知建模工具DEMO对该问题进行求解.实验表明,我们的算法不仅结果正确,而且在运行效率上与DEMO相比占有绝对优势.     

基于时空建模的视频帧预测模型

视频帧预测是计算机视觉领域一个重要的研究领域,并且拥有广泛的应用。目前,常用的视频帧预测模型虽然取得了一定的效果,但由于这类模型并不能在时空信息上同时建模,因此难以在更加复杂度的现实场景下应用。针对此问题,文中提出一种深度时空建模神经络。该网络通过预测未来光流,并利用该光流对前一帧图像进行采用的方法来预测未来图像,此外分别加入卷积LSTM与自注意力机制进行时空信息的建模。文章在Caltech行人数据集上进行了充分的实验,并取得了较好的实验结果。     

基于BP神经网络的纸机加压网前箱的建模研究

针对采用传统的建模方法建立造纸工业过程中的纸机加压网前箱的数学模型很难得到满意结果的问题,尝试用BP神经网络对其辨识建模.通过对物理模型的多次试验,获得了大量的输入输出数据;在此试验数据的基础上对该结构进行BP神经网络模型辨识.为了验证辨识得到的模型的准确性,对该模型采用PID闭环控制,并在Matlab上对结果进行了仿真.实验结果表明,BP神经网络在纸机加压网前箱系统建模方面有着较高的辨识精度.     

改进粒子群算法优化支持向量机的工程造价预测

工程造价预测一直是工程管理研究中的重点,针对工程造价预测中的支持向量机参数优化问题,提出一种改进粒子群算法优化支持向量机的工程造价预测模型(IPSO-SVM).首先收集工程造价数据,并对其进行归一化处理,然后采用支持向量机对工程造价的训练样本进行学习,并采用改进粒子群算法对支持向量机的核函数参数进行优化,最后采用Matlab 2012工具箱对工程造价进行仿真实验.实验结果表明,IPSO-SVM有效提高工程造价的预测精度,预测结果具有一定的实际应用价值.     

面向海量数据的网络流量混沌预测模型

针对网络流量的混沌特性以及海量特性,为弥补网络流量预测模型存在的不足,以获得更优的网络流量预测结果,提出了面向海量数据的网络流量混沌预测模型。该模型首先采用小波分析对原始网络流量时间序列进行多尺度处理,得到不同特征的网络流量分量,然后对网络流量分量的混沌特性进行分析,分别进行重构,并采用机器学习算法中的极限学习机进行建模与预测,最后采用小波分析对网络流量分量的预测结果进行叠加,得到原始网络流量数据的预测值,并进行网络流量预测的仿真实验。实验结果表明,所提模型的网络流量预测精度超过90%,不仅预测精度结果远远超过其他网络流量预测模型的结果,而且其网络流量预测的结果更加稳定,因此是一种有效的网络流量建模与预测工具。     

GM(1,1)模型在巡航导弹预测中的应用

为了对巡航导弹的距离进行预测,建立了GM(1,1)模型,详细介绍了建模和计算预测值的过程.采用"等维灰数递补动态预测"的预测方法,对预测模型的可行性进行了分析,提出了对巡航导弹预测建模的原则,并进行了示例分析,用预测值和实际值进行了误差检验,并对模型精度进行了分析.建模和计算结果表明,该模型和方法对巡航导弹的距离进行预测,计算精度高且运算速度快.     

基于SVR的组合预测模型及其应用

针对油田开发单一产量预测模型泛化能力低、中长期预测准确性差等问题,提出了一种基于支持向量回归机(svR)的组合预测模型.该模型可基于小样本建模并能综合不同单一预测模型的适用条件和优势,具有较强的泛化能力,对只可获得少量实验数据的油田产量预测问题具有较好的适应性.给出了SVR组合预测模型的结构设计和实现算法,对油田实际产量数据进行处理,取得了较精确的预测结果,验证了模型和方法的有效性.     

Highway Cost Prediction Based on LSSVM Optimized by Intial Parameters

The cost of highway is affected by many factors. Its composition and calculation are complicated and have great ambiguity. Calculating the cost of highway according to the traditional highway engineering estimation method is a completely tedious task. Constructing a highway cost prediction model can forecast the value promptly and improve the accuracy of highway engineering cost. This work sorts out and collects 60 sets of measured data of highway engineering; establishes an expressway cost index system based on 10 factors, including main route mileage, roadbed width, roadbed earthwork, and number of bridges; and processes the data through principal component analysis (PCA) and hierarchical cluster analysis. Particle swarm optimization (PSO) is used to obtain the optimal parameter combination of the regularization parameter and the kernel function width coefficient in least squares support vector machine (LSSVM). Results show that the average relative and mean square errors of the PCA-PSO-LSSVM model are 0.79% and 10.01%, respectively. Compared with BP neural networks and unoptimized LSSVM model, the PCA-PSO-LSSVM model has smaller relative errors, better generalization ability, and higher prediction accuracy, thereby providing a new method for highway cost prediction in complex environments.     

改进的支持向量机算法及其应用

支持向量机（SVM）算法应用于具有小样本特征的实际问题时是否能获得到良好的预测效果,取决于能否成功地设置该算法的关键参数,这一瓶颈问题一直阻碍着SVM在具有小样本特性的实际工程中的应用。在分析SVM回归估计方法参数性能的基础上,提出了以自适应粒子群算法（APSO）优化SVM关键参数的改进SVM算法,并以变电工程为背景给出了相应的工程造价预测模型。运用此模型,对某实际变电工程实例进行了造价预测仿真分析,并与传统的支持向量机算法进行比较,结果说明改进的支持向量机算法具有良好的变电工程造价预测精度,且速度较快。     

基于支持向量回归机的可靠度预测模型

设备可靠度预测在设备的维修管理中扮演着重要的角色,有效的设备故障预测对降低设备维修费用、停机时间或运行风险都起到至关重要的作用。文章在分析设备状态数据的基础上,通过引入支持向量回归机,建立了基于退化数据的预测模型,并将该模型用于发动机可靠度的预测。     

关于设备工程监理的投资控制模型的研究

我国即将全面建立和推行设备工程监理制度,设备工程监理是一个全新的研究领域。文章基于预测技术,建立了设备工程投资控制的模型,并提出了设备工程投资目标控制界限的确定方法。     

基于Markov理论的改进灰色GM(1,1)预测模型研究

在灰色预测的基础上,引入马尔可夫链预测理论,建立了灰色马尔可夫预测模型.它是将灰色预测模型与马尔可夫预测方法优化组合,用灰色预测模型预测随机时间序列数据的总体发展趋势,而用马尔可夫链模型预测各数据在总体趋势下的随机波动性变化,得到随机时间序列趋势预测模型的解.通过公路运输实际数据进行了验证,结果表明:灰色马尔可夫预测模...     

基于机器学习组合模型的电商商品销量预测

如何准确高效地预测销量是企业一直以来关注的重要问题.传统的时间序列预测方法虽然在研究和实践中占主导地位,但是存在一定的局限性.随着大数据的发展,电商企业能获取前所未有的数据量和数据特征,仅利用过去的行为和趋势很难准确地对销量进行预测.本文提出一种基于随机森林、GBDT、XGBoost算法的成本厌恶偏向性组合预测模型,并...     

集成栈式自编码器与XGBoost的深度学习海浪有效波高预报模型

有效波高预报对人类海上活动和海洋工程都至关重要。人工神经网络在有效波高预报中得到广泛的应用,并取得了良好的效果。但是,它作为一种浅层的网络架构,表达能力有限,这使得预报准确性在不同区域中波动。因此,为了提高有效波高的总体预报准确性,本文提出一种集成栈式自编码器（SAE）和XGBoost的深度学习海浪有效波高预报模型。首先,利用SAE算法强大的特征表征能力处理海浪数据,实现数据的扩维表达。其次,将SAE深层的特征作为XGBoost算法的输入,进行有效波高预测。本文重点研究有效波高预报方法,并根据台湾海峡中部2号大浮标2017年全年的实测波浪资料进行研究。实验结果表明,本文方法在确定性系数（R^2）和均方误差（MSE）方面均优于现有方法。     

基于PSO-LSSVM模型的基坑周边建筑倾斜预测

针对基坑周边建筑倾斜变形影响因素的复杂性,以及监测数据的小样本和非线性特征,提出了一种基于PSO-LSSVM模型的基坑周边建筑倾斜的时间序列预测方法。采用相空间重构对基坑前期施工工况下的周边建筑沉降差时间序列进行重构,构建沉降差预测的学习样本输入到最小二乘支持向量机（LSSVM）中训练。利用粒子群算法（PSO）对LSSVM参数进行优化,获得最优预测模型,对后期工况施工期间的沉降差进行滚动预测,并代入公式计算得到未来倾斜变形值。将该方法用于昆明某基坑工程的周边建筑倾斜预测分析,取得了令人满意的预测结果。     

基于BP算法的微波通信中继段性能分析

微波通信设备在运行过程中产生了大量的告警,经过数据清理可以对微波通信的性能进行分析。利用神经网络的误差反向传播算法(BP算法),结合告警、天气和工程设计几方面的数据资料建立了微波中继段告警分析预测模型。利用模型结合河北省平原地区的实际数据资料,进行了微波中继段站距、天线高差以及气候因素对告警的影响规律分析。     

Using past manufacturing experience to assist building the yield forecast model for new manufacturing processes

Polarizers are one of the key parts of Thin-Film Transistor Liquid-Crystal Displays (TFT-LCD), and their production requires high material costs. How to reduce manufacturing costs is thus a key task in this highly competitive global market. The precise yield forecast model considering learning effects that is proposed in this work is believed to be an effective approach to reduce both the raw material input-cost and inventory cost of overproduction. Support vector regression (SVR) model is one of the commonly used approaches to forecast the yield trend. However, in the early manufacturing stages for a new product, an SVR model is usually sensitive and unstable because of the use of insufficient data. Faced with this problem, this research aims at enhancing the SVR model by using past manufacturing experience and virtual samples to estimate the yield trend model for pilot products. This paper proposes a novel Quadratic-Curve Diffusion (QCD) method, wherein we derive a quadratic yield function (QYF) of the new manufacturing process for each key manufacturing variable by utilizing past manufacturing experience; and then use the QYF to generate virtual samples to assist building the overall yield forecast model of the new manufacturing process. The results show that the proposed method is superior to the performance of other forecast and virtual sample generation models.